摘要
图神经网络（GNNs）在节点分类方面取得了显著成功。基于此进展，异构图神经网络（HGNNs）整合了关系类型及节点和边的语义，以利用异构信息。然而，HGNNs在节点分类上的内在有效性尚未得到充分检验，大多数研究仅是隐含这一有效性而未加以证明。
本研究从模型架构和异构信息两个角度考察HGNNs在节点分类中的表现。我们在21个数据集和20个基线模型上进行了系统的复现，并进行了全面的超参数调优。
为了进一步厘清性能提升的来源，我们开发了一个因果中介分析框架，视引入异构关系信息为处理，候选结构属性为中介，节点分类性能为结果。该框架首先根据处理引起的变化及其与性能改善的关联筛选候选中介，然后将总效应分解为中介效应和直接效应。
我们的研究得出两个结论。首先，模型架构和复杂性对节点分类性能没有因果影响。其次，异构信息通过增加同质性和局部-全局分布差异，主要以正向因果效应影响节点分类性能，使节点类别更易区分。
实现代码可在此获取：CausalHGNN GitHub
博主点评： 本文通过因果分析的方法深入探讨了HGNN在节点分类中的作用，揭示了模型架构与异构信息对性能的不同影响，为未来的研究提供了重要参考。这种方法论的创新性值得关注，尤其是在因果推理领域的应用潜力。